用于组合和可解释认知推理的多阶段规则链框架

arXiv:2609.10654v1 公告类型：新 摘要：抽象和推理语料库 (ARC) 对认知泛化、从有限示例中推断和应用抽象规则的能力进行基准测试。本文提出了一个多阶段规则链框架，可以跨符号、结构和概念级别执行组合推理。该框架集成了三个互补的求解器：（1）确定性规则发现模块，通过几何、颜色和基于对象的分析引发原子变换； (2) 模式合成引擎，通过块合并、重复和空间启发法重建输出； (3) 结构抽象层，用于推断跨网格的层次结构和嵌套关系。这些求解器在渐进式后备层次结构中按顺序运行，其中每个阶段都重用先前的推理轨迹以增强可解释性和泛化性。 1000 项任务中的 995 项通过了培训，对 120 项任务中的 105 项进行了进一步评估，并解决了 240 项 ARC-AGI-2 任务中的 230 项测试任务。该系统实现了对确定性、组合性和抽象类别的强大覆盖，整体准确率超过 95%。所提出的架构将符号推理和模式合成联系起来，为认知泛化提供可解释的见解。结果表明，规则链接和分层组合可以将机器推理推向透明的、与人类一致的抽象，而不依赖于特定于任务的调整。